Prognose des Wachstums von Open-Weight KI-Modellen auf Hugging Face

Forecasting Open-Weight AI Model Growth on Hugging Face

February 21, 2025

Autoren: Kushal Raj Bhandari, Pin-Yu Chen, Jianxi Gao

cs.AI

Zusammenfassung

Da die offene KI-Landschaft weiter wächst - mit der Entwicklung von Modellen, erheblichen Investitionen und dem Interesse der Benutzer - wird es zunehmend wichtig, vorherzusagen, welche Modelle letztendlich Innovationen vorantreiben und KI-Ökosysteme formen werden. Aufbauend auf Parallelen zu Zitationsdynamiken in wissenschaftlicher Literatur schlagen wir ein Rahmenwerk vor, um zu quantifizieren, wie sich der Einfluss eines offenen Modells entwickelt. Speziell passen wir das von Wang et al. eingeführte Modell für wissenschaftliche Zitationen an, indem wir drei Schlüsselparameter - Unmittelbarkeit, Langlebigkeit und relative Fitness - verwenden, um die kumulative Anzahl feinabgestimmter Modelle eines offenen Modells zu verfolgen. Unsere Ergebnisse zeigen, dass dieser zitationsbasierte Ansatz die vielfältigen Verläufe der Übernahme von offenen Modellen effektiv erfassen kann, wobei die meisten Modelle gut passen und Ausreißer einzigartige Muster oder abrupte Sprünge in der Nutzung anzeigen.

English

As the open-weight AI landscape continues to proliferate-with model development, significant investment, and user interest-it becomes increasingly important to predict which models will ultimately drive innovation and shape AI ecosystems. Building on parallels with citation dynamics in scientific literature, we propose a framework to quantify how an open-weight model's influence evolves. Specifically, we adapt the model introduced by Wang et al. for scientific citations, using three key parameters-immediacy, longevity, and relative fitness-to track the cumulative number of fine-tuned models of an open-weight model. Our findings reveal that this citation-style approach can effectively capture the diverse trajectories of open-weight model adoption, with most models fitting well and outliers indicating unique patterns or abrupt jumps in usage.